Vista previa del material en texto
Actual. Sida Infectol. || Fundación Huésped - Sociedad Argentina de Infectología || ISSN 2718-7845 77 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 Inteligencia artificial en enfermedades infecciosas 1 Terra Nova, Unidad de Innovación y Vinculación Tecnológica, Hospital Italiano de Buenos Aires, Argentina. 2 INVERA, Asociación Civil, Argentina. 3 Servicio de Antimicrobianos, Administración Nacional de Laboratorios e Institutos de Salud “Dr. Carlos Malbrán”, Argentina. 4 Instituto Universitario del Hospital Italiano de Buenos Aires, Argentina. 5 Instituto de Medicina Traslacional e Ingeniería Biomédica, CONICET - Hospital Italiano de Buenos Aires, Argentina. Autor para correspondencia: Waldo Belloso. Terra Nova, Unidad de Innovación y Vinculación Tecnológica, Hospital Italiano de Buenos Aires, Argentina. INVERA, Asociación Civil, Argentina. waldo.belloso@hospitalitaliano.org.ar Recibido: 15/6/23 Aceptado: 28/6/23 Los autores declaran que no recibieron financiamiento ni presentan conflictos de interés. Estamos asistiendo a una verdadera revolución tecnológi- ca en el campo de la salud. Los procesos basados en la aplicación de la inteligencia artificial (IA) y el aprendizaje automático (AA) están llegando progresivamente a todas las áreas disciplinares, y su aplicación en el campo de las enfermedades infecciosas es ya vertiginoso, acelerado por la pandemia de COVID-19. Hoy disponemos de herramientas que no solamente pue- den asistir o llevar adelante el proceso de toma de deci- siones basadas en guías o algoritmos, sino que también pueden modificar su desempeño a partir de los procesos previamente realizados. Desde la optimización en la identificación de microorganis- mos resistentes, la selección de candidatos a participar en ensayos clínicos, la búsqueda de nuevos agentes terapéu- ticos antimicrobianos, el desarrollo de nuevas vacunas, la predicción de futuras epidemias y pandemias, y el segui- miento clínico de pacientes con enfermedades infecciosas hasta la asignación de recursos en el curso de manejo de un brote son actividades que hoy ya pueden valerse de la inteligencia artificial para obtener un mejor resultado. El desarrollo de la IA tiene un potencial de aplicación expo- nencial y sin dudas será uno de los determinantes principa- les que moldearán la actividad médica del futuro cercano. Sin embargo, la maduración de esta tecnología, necesaria para su inserción definitiva en las actividades cotidianas del cuidado de la salud, requiere la definición de paráme- tros de referencia, sistemas de validación y lineamientos regulatorios que todavía no existen o son aún solo inci- pientes. Palabras clave: inteligencia artificial, enfermedades infec- ciosas, aprendizaje automático, validación, sistema regu- latorio. RESUMEN ARTÍCULO DE REVISIÓN Waldo H. Belloso1-2, Fernando Pasterán2-3, Valeria L. Burgos4-5, Sofía A. Díaz1-4, Vitas Ciabis1-4, Marcelo R. Risk1-4-5. IA en enfermedades infecciosas 78 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 Introducción “El aspecto más triste de la vida actual es que la ciencia gana en conocimiento más rápidamente que lo que la sociedad gana en sabiduría”, Isaac Asimov. En 1970, William B. Schwartz predijo que hacia el año 2000 la computación tendría un rol completamente nuevo en la medicina, actuando como una poderosa extensión del intelecto del profesional, aumentando y en algunos casos reemplazando actividades cotidianas (1). Esta predicción se basaba en el reconocimiento creciente de sistemas de reglas utilizados para la toma de decisiones y en la posibilidad de reconocimiento de patrones que, comparados con perfiles previamente al- macenados, permitieran una caracterización más rápida y eficiente de una situación médica particular. Sin em- bargo, este destino se encontraba con dos dificultades principales, la disponibilidad limitada de memoria y velo- cidad de las computadoras y su falta de “conocimiento” fisiopatológico (2). Estos escollos fueron progresivamente disipándose a partir de fines de los años 90 y principios del nuevo si- glo, y hoy el poder computacional permite el almacena- miento y codificación de datos provenientes de fuentes tan diversas como historias clínicas electrónicas, redes sociales, blogs, páginas web, imágenes, videos y biosen- sores. En la actualidad, las redes neuronales permiten la identificación de relaciones entre datos no estructu- rados, e incluso los nuevos chatbots procesan lenguaje natural para comprender preguntas y automatizar res- puestas, simulando una conversación humana (3). Esta revolución tecnológica alcanza a prácticamente to- das las áreas disciplinares de las ciencias de la salud, y en el campo de las enfermedades infecciosas permite la optimización de procesos tan diversos como la vigi- lancia y el análisis epidemiológicos, el manejo clínico de pacientes cursando patologías infecciosas y de las personas en riesgo de contagio, la identificación más precoz de microorganismos resistentes y la búsqueda de nuevos agentes terapéuticos y vacunas (4) . Sin embargo, al igual que lo ocurrido con otros desarro- llos innovadores, se dispone primero de la tecnología y sus productos derivados antes de que se definan sus es- tándares de validación, se conozcan todas sus potencia- lidades y sus riesgos, y se establezca su marco regula- torio. La inteligencia artificial ha llegado para quedarse; ya permite mejorar nuestras capacidades asistenciales y de investigación, y su potencial es aún inimaginable. Tenemos todavía un largo camino por delante para la maduración, orientación e integración de esta tecnolo- gía en nuestra práctica cotidiana. Desarrollo Aspectos generales de la inteligencia artificial y su aplicación en ciencias de la salud En los últimos años, las ciencias biomédicas se han visto beneficiadas por la disponibilidad y accesibilidad incrementadas a un gran flujo de datos digitales, gene- rados por el extenso avance tecnológico. Esto ha posi- bilitado la generación de conocimiento biológico a gran escala, fundamentalmente debido al continuo desarrollo y refinamiento de herramientas de análisis provenientes de la inteligencia artificial (IA) y la ciencia de datos. En su definición más básica, la IA es una rama de las ciencias de la computación que busca no solamente entender sino también construir entidades inteligentes (5). En base a esto, la IA estudia y desarrolla métodos enfocados en procesos de pensamiento y razonamien- to (recreando las capacidades de la mente humana, tal como la toma de decisiones) además de racionalidad (comportamiento de acuerdo a un desempeño ideal). La IA estudia y desarrolla algoritmos y técnicas que re- crean las capacidades de la mente humana, tales como toma de decisiones a partir de información en forma de datos, aprendiendo de dichos procesos y aplicando lue- go el aprendizaje sobre nuevos datos. El aprendizaje automático o machine learning (ML) es una disciplina componente de la IA e incluye un conjunto de métodos que apuntan a que un algoritmo aprenda un modelo en base a un determinado número de datos, de tal modo que pueda identificar uno o más patrones contenidos en los mismos. Estos patrones se identifican mediante una serie sucesiva de pasos de avance y retro- ceso en los que se evalúa el resultado del proceso, se identifican y corrigen errores y se vuelve a repetir hasta que el resultado no puede mejorarse más. Esta instan- cia se identifica como el “entrenamiento” del modelo (6). Los patrones identificados (aprendidos) pueden ser usados para hacer estimaciones (predicciones) sobre datos nuevos, similares a los datos usados para armar IA en enfermedades infecciosas 79 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 el modelo. Es decir, ML confiere a una computadora lacapacidad de adaptarse a nuevas circunstancias, detec- tar y extrapolar patrones (5) (Figura 1). En base a los datos y a los problemas que se intentan resolver, los algoritmos de ML se dividen principalmente en cuatro categorías: supervisado, no supervisado, se- misupervisado y por refuerzo. • Supervisado. En el conjunto de datos hay una clase o variable dependiente, la cual se utiliza como eti- queta para entrenar los algoritmos. Luego viene una etapa de validación para calcular el desempeño del algoritmo. • No supervisado. Los algoritmos infieren patrones a partir de datos que no tienen etiquetas o variables dependientes, todos los datos son atributos. • Semisupervisado. Son algoritmos que combinan una primera etapa supervisada y luego otra etapa no supervisada. Es muy útil para un conjunto de datos donde la mayoría de las instancias no están etique- tadas. • Refuerzo. Los algoritmos se nutren de datos prove- nientes, por ejemplo, de un entorno y luego apren- den monitoreando los resultados de interacciones. Se utilizan en aplicaciones de robótica, navegación de vehículos autónomos, entre otras. La aplicación de IA y de ML han definido cambios signi- ficativos en áreas tan diversas como planificación urba- na y ciudades inteligentes, reconocimiento facial, edu- cación y segmentación de clientes bancarios, solo por nombrar algunas (7-12). En las disciplinas relacionadas con la salud, el desempe- ño general y la posibilidad de adopción de métodos de IA en los últimos años se vieron favorecidos por factores tales como la digitalización de historias clínicas, la ano- tación de datos a gran escala, la disponibilidad de datos en diversos formatos digitales, el refinamiento en los métodos de ML para analizar múltiples variables com- plejas y su disponibilidad como código abierto, etc. Sin embargo, dado el continuo desarrollo de algoritmos de ML cada vez más eficientes y los múltiples modelos que consecuentemente pueden ser generados, la selección de los métodos que consigan un desempeño confiable representa un desafío en medicina. Los principios de los algoritmos de ML más comúnmen- te utilizados en las ciencias de la salud son: • Agrupamiento o clustering. Comprende una gran variedad de métodos que tienen como objetivo des- cubrir un número k de clusters o de grupos afines dentro de un conjunto de datos. La finalidad de esta técnica de ML no supervisado es agrupar objetos o instancias que estén lo más estrechamente relacio- nados entre sí (es decir, una alta similitud intra-cla- se) en comparación con los objetos de otros clus- ters (baja similitud entre-clase). Para ello, existen varias métricas que definen el grado de similitud (o disimilitud) entre los objetos individuales. K-medias es un método de partición de los datos don- de cada k grupo está representado por el valor medio de las observaciones (centroide). Se inicia con un con- junto inicial de centroides. En el primer paso, los datos son asignados al centroide más cercano considerando Figura 1. Modelo general del aprendizaje automático para la interpretación de conjuntos de datos en infectología IA en enfermedades infecciosas 80 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 de estructuras requiere un mayor flujo de datos, mayor tiempo de cómputo y un diseño avanzado en las cone- xiones internodos a fin de conseguir un desempeño óp- timo en la identificación de patrones. Las características mencionadas son la base de deep learning, una forma de ML que incluye diferentes modelos tal como la red neuronal convolucional, que es un tipo de RN de propa- gación hacia adelante (feed-forward) donde la conecti- vidad entre los nodos está basada en la topología de la corteza visual. IA en la identificación de microorganismos patógenos, el análisis de mecanismos de resistencia y del microbioma La lectura de la susceptibilidad de las bacterias a partir de discos de difusión es un proceso cuya calidad depen- de del operador y, con el objeto de disminuir la probabi- lidad de errores de interpretación, existe una incipiente pero significativa tendencia de utilizar algoritmos basa- dos en IA para este y otros procedimientos de la micro- biología de interpretación (13). El desarrollo de estos algoritmos es complejo y su eficacia predictiva está su- jeta al mantenimiento de las condiciones de captura de datos del sistema, especialmente las condiciones con las que se analizan imágenes (14). Algunos de estos de- sarrollos incluyen PhenoMatrix® para la identificación de Streptococcus y el sistema APAS Independence® para la identificación de muestras sin desarrollo de Sta- phylococcus aureus meticilino-resistentes y de muestras generales de urocultivo (15-17). Aun más, dado que es- tos tipos de dispositivos no siempre están al alcance de laboratorios con presupuestos limitados, un grupo de desarrolladores patrocinados por Médicos Sin Fronteras creó una aplicación móvil que emplea la cámara del te- léfono y algoritmos de aprendizaje automático para de- finir la susceptibilidad de bacterias de un modo preciso y escalable (18). Por otro lado, existen ya en la actualidad distintas ba- ses de datos que utilizan las herramientas de la IA para proporcionar modelos algorítmicos relacionados a las bases moleculares de la resistencia bacteriana. Una de ellas es la base CARD (Comprehensive Antibiotic Resis- tance Database), desarrollada a partir de software de fuente abierta en los laboratorios de la Universidad Mc- Master, en Canadá, la cual provee referencias de calidad curada tanto de secuencias como de polimorfismos de nucleótido único (SNP, por sus siglas en inglés) organi- una medida de distancia o similaridad. El paso siguien- te consiste en actualizar los centroides considerando el promedio de todos los datos asignados a cada cluster. El algoritmo repite ambos pasos hasta que se consigue la estabilización de los centroides (es decir, no se pro- ducen más cambios en los clusters), alcanzando así un número definido de iteraciones (Figura 2). • Redes neuronales. Inspirada en la topología de las conexiones neuronales del cerebro humano, una red neuronal artificial (RNA) consiste en una serie de ca- pas de neuronas (nodos) interconectadas entre sí que funcionan como elementos de procesamiento. La arquitectura básica de una RNA incluye una capa de entrada, una o más capas ocultas y una capa de salida. El flujo de datos es inicialmente detectado por los nodos de la capa de entrada, luego el pro- cesamiento continúa en las capas internas ocultas para finalmente expresar un resultado en la capa de salida (Figura 3). El modelado de sistemas biológicos complejos puede ser optimizado por una arquitectura de RNA de muchas capas a fin de obtener resultados significativos. El pro- cesamiento e integración de la información en este tipo Figura 2. Clasificación de los datos a través de clustering o agrupamiento K-medias Figura 3. Modelo de red neuronal IA en enfermedades infecciosas 81 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 zadas a través del sistema ARO (Antibiotic Resistance Ontology) y que pueden ser consultadas de manera li- bre. Este tipo de bases permite la predicción del resisto- ma bacteriano a partir de secuencias moleculares. El microbioma humano es considerado hoy como un determinante principal de la salud, la enfermedad y el crecimiento. Sin embargo, la diversidad y complejidad de sus componentes es tal que la transformación de datos en información científicamente válida y predicti- va es un desafío mayor. Es este un contexto adecuado para la implementación de herramientas basadas en el aprendizaje profundo. Esto permitiría profundizar en el conocimiento de las múltiples interacciones (sinérgicas o disbióticas) entre microorganismos y huésped (19). IA en el análisis epidemiológico y la toma de decisiones en el manejoclínico de las infecciones Las infecciones emergentes constituyen un desafío con- tinuo a los sistemas de salud, y la aplicación de desarro- llos basados en IA puede permitir la detección precoz de epidemias y pandemias y favorecer la rápida implemen- tación de medidas de control que permitan mitigar sus impactos sanitarios y económicos (20). La identificación temprana de pequeños brotes puede definir en distintas ocasiones el éxito de la prevención de epidemias o pandemias mediante la aplicación de estrategias de aislamiento, rastreo de contactos y cua- rentenas. Los sistemas tradicionales de vigilancia habi- tualmente presentan una demora que torna dificultosa la implementación de estas estrategias dentro de la ventana de tiempo ideal. En este sentido, la comple- mentariedad de la vigilancia tradicional con IA de có- digo abierto permite la optimización de los tiempos de respuesta. En contextos de salud pública, en los que la adopción de tecnologías basadas en IA es mucho menor que en áreas clínicas y terapéuticas, los sistemas de código abierto son esenciales para favorecer una rápida dispo- nibilidad y accesibilidad a los instrumentos. Existen ya algunos ejemplos de este tipo de sistemas que ofrecen acceso abierto a la inteligencia artificial de las epidemias. El sistema ProMED Mail, primariamente cualitativo, viene ofreciendo avisos tempranos de bro- tes epidémicos desde hace varios años (21). HealthMap utiliza herramientas de procesamiento de lenguaje natu- ral en la búsqueda de señales de brotes de infecciones emergentes en tiempo real utilizando como referencia un diccionario de patógenos conocidos y áreas geográ- ficas. De esta manera difunde alertas tempranas a emer- gencias y sirvió, por ejemplo, para identificar un “grupo de casos de neumonía de etiología desconocida” unos pocos días después de la identificación del primer caso de COVID-19, y también el brote de viruela símica en 2022 (22, 23). Y el sistema EPIWATCH, desarrollado por la Universidad de Nueva Gales del Sur, en Australia, ofre- ce un acceso gratuito a información global sobre epi- demias de los últimos 30 días, incluyendo herramientas específicas como FLUCAST, un predictor de influenza estacional (24, 25). Es importante destacar que en el aspecto de la predic- ción epidemiológica, los sistemas que se basan en IA dependen exquisitamente de la cantidad y calidad de datos clínicos y de diagnóstico, dado que la inexactitud de los registros originales solo haría magnificar el error. Y, por otra parte, deben considerarse los aspectos éticos vinculados al manejo de datos sensibles de las perso- nas involucradas (26). Una vez detectada la alerta, la IA puede intervenir en la investigación epidemiológica, que es crucial en la iden- tificación de determinantes patogénicos, características de transmisión y distribución de la situación en estudio. El análisis de todas las trayectorias posibles de infec- ción, las vías y las fuentes permite una mejor identifica- ción de contactos cercanos y personas en riesgo. Y a partir de ahí el componente fundamental es la decisión de intervención precoz para interrumpir el brote y evitar mayores daños. Esta interrupción se basa en la asigna- ción de recursos humanos y materiales en función del mapa epidemiológico y del establecimiento e implemen- tación de medidas de control individuales y poblaciona- les (27-29). La versión hasta el momento más avanzada de la inte- ligencia artificial, el modelo llamado GPT-4 de procesa- miento de texto natural, ha comenzado a ser evaluado en su desempeño en el proceso de toma de decisiones res- pecto del manejo de patologías infecciosas tales como la neumonía, con resultados preliminares alentadores (30). Por otra parte, los procesos basados en la aplicación de IA también pueden colaborar en la identificación de IA en enfermedades infecciosas 82 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 personas candidatas para participar en desarrollos de nuevos tratamientos o vacunas en base a su genoma y exposoma (31). IA en la pandemia de COVID-19 Distintos aspectos epidemiológicos y asistenciales relacionados a la pandemia de SARS-CoV-2 se vieron optimizados, o al menos impactados, por procesos basados en IA. Desde el punto de vista epidemiológi- co, tanto el monitoreo en tiempo real de la evolución de la pandemia, la identificación predictiva de nuevos epicentros y la logística de la distribución de recursos se basaron en desarrollos de IA en distintos países y localidades. Por otra parte, también se utilizó este tipo de herramientas para facilitar el diagnóstico y segui- miento de casos clínicos de la enfermedad así como la identificación y desarrollo de vacunas y potenciales tratamientos (32). El desarrollo de la IA aplicada al procesamiento de imá- genes contribuyó al proceso de diagnóstico de pacien- tes con compromiso pulmonar por SARS-CoV-2. Esta discriminación era fundamental para la toma de deci- siones y el establecimiento de criterios pronósticos de los pacientes infectados. Durante la pandemia se desa- rrollaron diferentes métodos basados en aprendizaje profundo (deep learning) tales como redes neuronales convolucionales para las tareas de clasificación adecua- da de las imágenes. El modelo de red neuronal convolu- cional (convolutional neural network, CNN) es un tipo de red neuronal artificial en el que las neuronas artificiales se disponen en campos receptivos de percepción mul- ticapa similares a los de la corteza visual primaria de un cerebro biológico (V1) (33). Para la clasificación de las características de las imágenes procesadas se utili- zan algoritmos de aprendizaje supervisado tales como máquinas de vector de soporte (support vector machine, SVM) y diferentes funciones. Durante la pandemia se pu- blicaron varios modelos de procesamientos de imáge- nes con niveles de exactitud cercanas al 100%, aunque la sensibilidad y especificidad de los sistemas dependen en gran medida de la magnitud y variedad de los conjun- tos iniciales de datos disponibles, y hay todavía un largo camino por delante en la implementación exitosa de es- tos sistemas en la práctica asistencial cotidiana (34-37). El análisis de datos de la trayectoria clínica de pacien- tes con infección por SARS-CoV-2 a partir de la infor- mación contenida en historias clínicas electrónicas permitió avanzar en la precisión de las predicciones en relación a la morbilidad, mortalidad, severidad y pro- nóstico. Los mejores resultados se obtuvieron median- te la combinación multimodal de datos clínicos con imágenes (38, 39). Existieron tanto iniciativas acadé- micas como otras promovidas por organismos públi- cos en este sentido (40). A partir de la generación de estas bases de datos —tanto de centros individuales como multicéntricas utilizando plataformas interope- rables— se desarrollaron algunos ejemplos de combi- nación con métodos de IA con el objetivo de mejorar la capacidad predictiva y contribuir de esa manera al triage de pacientes y a la toma de decisiones asisten- ciales (41-43). Desde bien temprano en el curso de la pandemia se uti- lizaron herramientas de IA para la modelización de la red de interacciones proteína-proteína entre el virus y el huésped, y para la identificación de potenciales blancos proteicos para la acción de fármacos, tanto aquellos ya existentes en el mercado (reposicionamiento) como nuevas moléculas en desarrollo (44-46). En los análisis de reposicionamiento in silico de fármacos, la combina- ción de métodos de docking (predicción de la orienta- ción preferente de una molécula en su interacción con otro ligando) con recursos de IA permite optimizar el tiempo y la cantidad de estructuras químicas que pue- den ser evaluadas (47, 48). Del mismo modo, se utilizaron herramientas basadas en la IA para la identificación de epítopes potenciales de células T para SARS-CoV-2 cercanos al dominio RBD de laespícula o bien en otras estructuras virales (49- 51). La irrupción de la pandemia con sus urgencias y las de- mandas de rápida respuesta a los sistemas de salud se nutrió rápidamente de los modelos de predicción basa- dos en IA para definir prioridades y establecer líneas de acción (52). La mayoría de los modelos de predicción del compor- tamiento poblacional utilizados durante la epidemia se basaron en mecanismos generales del aprendizaje auto- mático tales como regresión lineal, regresión polinómi- ca, soporte vectorial o red neuronal artificial; y se entre- naron con modelos epidemiológicos tradicionales como la transición de Susceptible a Infectado, de Susceptible a Infectado y nuevamente Susceptible, de Susceptible a Infectado a Recuperado y a Susceptible, de Expuesto IA en enfermedades infecciosas 83 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 a Infectado a Recuperado y a Susceptible, o bien de Ex- puesto a Infectado a Fallecido, etc. (53). También en este caso la exactitud de la predicción de los modelos se vio definitivamente influenciada por la can- tidad de variables culturales, sociológicas, económicas y políticas que se tuvieron en cuenta (54-56). La compa- ración entre series temporales de predicción para los 16 países que contenían cerca del 80% del total acumula- tivo de casos mostró un mejor desempeño de aquellas que tenían en cuenta el comportamiento estacional de la epidemia (57). Otros modelos de predicción del com- portamiento pandémico demostraron la capacidad de identificar el pico de casos y el impacto de la variación estacional con aceptable precisión (58-60). La combinación de los modelos matemáticos clásicos para las enfermedades infecciosas con modelos de aprendizaje profundo se potenció durante la pandemia y seguirá siendo objeto de estudio y perfeccionamiento en el futuro como herramienta de predicción del comporta- miento de las epidemias. El desarrollo de la tecnología 5G y su mayor capacidad de interconexión permitió el rápido avance de las soluciones basadas en telemedicina (61). No solamente se obtuvie- ron avances en la llegada a residentes de zonas alejadas de los centros hospitalarios pudiendo verificar su estado clínico durante y con posterioridad a la enfermedad agu- da sino que también a través del procesamiento de la his- toria reciente de viajes y la sintomatología inicial median- te IA se pudo aumentar la eficacia del screening inicial de casos de sospecha de COVID-19 (62, 63). La aceleración en el acceso a este tipo de tecnología ocurrida durante la pandemia permitió la planificación y la ejecución de acciones relacionadas con la proyección epidemiológica y con la asistencia clínica basadas en IA, tanto en países desarrollados como así también en aquellos con bajos y medianos niveles de ingresos (64). Como ejemplo de esto, en nuestro país se evaluó la uti- lidad de una herramienta de detección de patrones de sonido basada en IA para la aproximación diagnóstica a la enfermedad aguda por SARS-CoV-2 en base a la tos registrada a través de un chatbot basado en WhatsApp. En esta prueba piloto se aproximó el diagnóstico de la enfermedad con una exactitud del 88% (65). IA en el desarrollo de antimicrobianos La incorporación de técnicas de aprendizaje automático al proceso del descubrimiento de nuevos agentes anti- bióticos puede aumentar la eficiencia y reducir tanto los recursos necesarios como los costos involucrados (66). Uno de los ejemplos más interesantes que sustentan esta aseveración es el de la halicina, una nueva molécula con propiedades antibióticas que fue identificada origi- nalmente a través de la aplicación de la IA en el proceso de screening inicial de compuestos candidatos. La aplicación de la quimioinformática en el diseño de nuevos fármacos no es nueva sino que comenzó ya hace varias décadas. Sin embargo, la exactitud predic- tiva de estos modelos era insuficiente hasta la reciente incorporación de avances en los algoritmos de repre- sentación molecular basados en redes neuronales (67, 68). La innovación actualmente disponible en estas redes permite que la representación de distintos com- puestos químicos sea aprendida de manera automáti- ca mediante el mapeo de moléculas en vectores conti- nuos que son posteriormente utilizados para predecir sus propiedades (69). De esta forma, se disminuye el costo de la identificación de moléculas candidatas porque el proceso de screening resulta más eficiente al tiempo que se aumenta la tasa de positividad en la identificación de compuestos estructuralmente nove- dosos que mantienen la actividad biológica deseada y se disminuye el tiempo y esfuerzo requeridos para la selección de estos compuestos, de varios meses o años a pocas semanas. El proceso más focalizado per- mite la evaluación de un número de compuestos al me- nos dos órdenes de magnitud mayor que el screening empírico tradicional (70). A partir de la aplicación de esta tecnología sobre la bi- blioteca de compuestos del Drug Repurposing Hub, in- vestigadores de los Institutos Nacionales de Salud de EE. UU. identificaron un compuesto inhibidor de kinasas originalmente considerado como antidiabético, estruc- turalmente divergente de antibióticos convencionales, que presentaba importante actividad in vitro frente a E. coli, C. difficile, Enterobacteriaceae productoras de car- bapenemasas, A. baumannii pan resistente e incluso M. tuberculosis, al cual denominaron “halicina” en homena- je a Hal 9000, la famosa supercomputadora de la saga de ciencia ficción Odisea del Espacio de Arthur C. Clarke (71, 72). IA en enfermedades infecciosas 84 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 A partir del mismo mecanismo de identificación, bioin- genieros del Instituto de Tecnología de Massachusetts (MIT) pudieron seleccionar otros compuestos que pre- sentan actividad antibacteriana de amplio espectro y tienen un bajo grado de similaridad estructural con an- tibióticos ya existentes. De este modo, parecería abrir- se un camino para la identificación de próximos agen- tes antimicrobianos optimizado por la aplicación de la IA. En el futuro, las moléculas podrán ser identificadas y seleccionadas no solamente en base a su mecanis- mo de acción y su potencial de generación de toxicidad, sino también por otras condiciones fenotípicas desea- das, un determinado espectro de acción o la predicción de su comportamiento farmacocinético (73, 74). IA en el desarrollo de vacunas El camino hacia el diseño y desarrollo exitoso de nuevas vacunas se basa en la selección apropiada de los mode- los para testear el producto candidato y los mecanismos implementados para la reducción de sesgos. Las técni- cas de la IA, en conjunto con la biología de sistemas, son ya ampliamente utilizadas en este campo. Los avances en la biología estructural experimental permiten optimizar el proceso del diseño de vacunas a partir de la identificación de patrones específicos de respuesta frente a antígenos, que contribuyen a predecir aspectos relevantes de la inmunogenicidad (75). Adicionalmente, la IA puede incorporarse en la acelera- ción del desarrollo mediante la identificación de nuevos antígenos candidatos, la predicción de epítopes más adecuados para la generación de respuesta inmune (la llamada “vacunología inversa”), la predicción de pépti- dos que se unen a antígenos del sistema HLA y de epíto- pes del complejo mayor de histocompatibilidad de clase II, el diseño universal de prototipos y el análisis predicti- vo de la respuesta inmune sistémica (76-79). La integra- ción de datos provenientes de fuentes diversas (textos, imágenes, proteómica/genómica) permite generar perfi- les más precisos de antígenos candidatos, descartando aquellos con mayor riesgo de fallas in silico, reduciendo así el costo y el riesgo de fracasos en la experimenta- ción preclínica(80). De hecho, desde el punto de vista toxicológico, el análisis de homología de secuencia, ba- sado en herramientas de IA, puede predecir si epítopes específicos tendrían mayor riesgo de provocar reaccio- nes alérgicas o autoinmunes (81). El diseño “inteligente” de vacunas basadas en la iden- tificación de epítopes específicos es considerado hoy como un ejemplo de medicina personalizada, y repre- senta una esperanza concreta en distintas áreas tera- péuticas. Conclusiones Futuros desafíos En los últimos años, la aplicación de herramientas basa- das en aprendizaje automático y otras modalidades de inteligencia artificial ha crecido de manera exponencial. Ya estamos inmersos en los albores de una era en la que la disponibilidad de algoritmos orientados al proceso de toma de decisiones puede transformar de manera funda- mental la manera en que diagnosticamos y tratamos a nuestros pacientes y que abordamos problemas de salud pública. El impacto en nuestra vida cotidiana es innega- ble, y sus potencialidades parecen no tener límites. Sin embargo, la vertiginosa disponibilidad y la rápida imple- mentación de estos desarrollos antes de completar un ciclo exhaustivo de validaciones han demostrado no solo los riesgos en relación a la gobernanza de los datos sino también los peligros de las fallas de desempeño, la ge- neración imprevista de daños y la profundización de las inequidades (82). Desde el punto de vista esencialmente técnico, la eficacia y utilidad de los productos basados en big data y en IA dependen de la magnitud, variedad y calidad de los datos con que se realice el entrenamiento de los sistemas. Y en medicina, muchas veces los datos no son completos ni su calidad es la mejor. Por otra parte, la mayoría de estos desarrollos presentan un grado limitado de explicabilidad y de transparencia de procesos, dado que las redes neuronales complejas eje- cutan sus acciones bajo un modelo de “caja negra” (black box) en el que no se puede controlar ni desagregar la for- ma en la que el modelo llegó a determinada conclusión luego de su aprendizaje. Por su propia naturaleza, el comportamiento de los al- goritmos va cambiando cuando se aplica a diferentes tipos de datos y en diferentes momentos, introduciendo un sesgo en el aprendizaje, lo cual supone una dificultad incremental a la hora de plantear evaluaciones de desem- peño o procesos de validación que puedan conducir a una IA en enfermedades infecciosas 85 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 regulación sensata y eficiente. La estimación del grado de incerteza de las predicciones realizadas mediante IA es uno de los desafíos más grandes de la implementación de esta tecnología. La utilización de técnicas específicas, como la predicción conformal, puede ser de una ayuda decisiva en este sentido (83). Una vez más en la historia de las innovaciones en salud, las estrategias de validación y control son posteriores a los desarrollos ya disponibles y, en este sentido, la disci- plina de la “algoritmovigilancia” es aún demasiado pre- caria (84). Sin embargo, aun dentro de este contexto de necesidad insatisfecha, algunas agencias regulatorias como la Administración de Alimentos y Medicamentos (FDA) de EE. UU. están intentando establecer algunas reglas básicas de cumplimiento obligatorio para la au- torización de distintos algoritmos basados en IA, asimi- lando varios de ellos a “dispositivos médicos basados en software” (85). El aspecto de los estándares de va- lidación es fundamental dado que los resultados de la aplicación de estos instrumentos impacta en cuestiones relacionadas con la eficacia y la seguridad de los proce- sos del cuidado de la salud, y por ello requerirá un rigor de evaluación similar al que ya presentan otros tipos de tecnologías médicas (86). En el ínterin, varios líderes de opinión, tanto del campo de la informática médica como así también de otras discipli- nas, han planteado la necesidad de establecer guías y có- digos de conducta para la transparencia en el desarrollo de productos para la salud basados en IA, particularmen- te para aquellos que aplican las versiones tecnológicas más avanzadas de procesamiento de lenguaje natural (87, 88). Hasta el momento existe una virtual ausencia de legislación en el avance de la IA que provea un marco de crecimiento menos anárquico y más orientado hacia la cooperación y a la protección de los datos personales, siendo aspectos imprescindibles para el crecimiento y maduración de los procesos basados en IA en el ámbito de la salud en general, y el de las enfermedades infeccio- sas en particular (89). Siguiendo a Kuhn, la ciencia no avanza de manera lineal sino en escalones que se definen por los sucesivos pa- radigmas aceptados (90). La IA plantea muy claramen- te un nuevo paradigma, cuya adopción y consolidación dependerá de la mejor comprensión de sus riesgos y del establecimiento de guías de consenso de aplicación que no solamente una élite tecnológica sino la sociedad en su conjunto puedan validar (91). IA en enfermedades infecciosas 86 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 Referencias 1. Schwartz WB. Medicine and the computer - the pro- mise and problems of change. N Engl J Med 1970; 283:1257-64. 2. Haug CJ, Drazen JM. Artificial intelligence and machi- ne learning in clinical medicine 2023. N Engl J Med 2023, 388(13):1201-8. doi:10.1056/NEJMra23023038 3. Lee P, Bubeck S, Petro J. Benefits , limits and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med 2023(18):1233-9 4. Brownstein JS, Rader B, Astley CM, Tian H. Advances in artificial intelligence for infectious-disease survei- llance. N Engl J Med 2023; 388(17):1597-607. 5. Russell, S. J., Norvig, P. Artificial intelligence: a mo- dern approach 2010. Prentice and Hall, New Jersey, 3a edición, 2019.. 6. Camacho DM, Collins KM, Powers RK, Costello JC, Collins JJ. Next-generation machine learning for bio- logical networks. Cell 2018; June 14, 173:1581-92. 7. Omrani, H. Predicting travel mode of individuals by machine learning. Transportation research procedia 2015; 10, 840-849. 8. Ullah, Z., Al-Turjman, F., Mostarda, L., & Gagliardi, R. Applications of artificial intelligence and machine learning in smart cities. Computer Communications 2020, 154, 313-323. 9. Tripathi, B. K. On the complex domain deep machi- ne learning for face recognition. Applied Intelligence 2017, 47(2), 382-396. 10. Raju, K., Chinna Rao, B., Saikumar, K., & Lakshman Pra- tap, N. An Optimal Hybrid Solution to Local and Global Facial Recognition Through Machine Learning. A Fu- sion of Artificial Intelligence and Internet of Things for Emerging Cyber Systems 2022, 203-226. 11. Cardona, T., Cudney, E. A., Hoerl, R., & Snyder, J. Data mi- ning and machine learning retention models in higher education. Journal of College Student Retention: Re- search, Theory & Practice 2020, 1521025120964920. 12. Tran, H. D., Le, N., & Nguyen, V. H. Customer Churn Prediction in the Banking Sector Using Machine Lear- ning-Based Classification Models. Interdisciplinary Journal of Information, Knowledge, and Management 2023; 18, 087-105. 13. DeYoung B, Morales M and Giglio S. Microbiology 2.0–A “behind the scenes” consideration for artifi- cial intelligence applications for interpretive cultu- re plate reading in routine diagnostic laboratories. Front. Microbiol 2020; 13:976068. doi: 10.3389/fmi- cb.2022.976068 14. Ford, B. A., and McElvania, E. Machine learning takes laboratory automation to the next level. J. Clin. Micro- biol 2020; 58:e00012-20. doi: 10.1128/JCM. 00012- 20 15. Van, T. T., Mata, K., and Dien Bard, J. Automated detec- tion of Streptococcus pyogenes pharyngitis by use of colorex strep a CHROMagar and WASPLab artificial intelligence chromogenic detection module software. J. Clin. Microbiol 2019; 57:e00811-19. doi:10.1128/ JCM.00811-19 16. Glasson, J., Hill, R., Summerford, M., Olden, D., Papa- dopoulos, F., Young, S., et al. Multicenter Evaluation of an Image Analysis Device (APAS): comparison between digital image and traditional plate reading using urine cultures. Ann. Lab. Med 2017; 37, 499– 504. doi: 10.3343/alm.2017.37.6.499 17. Gammel, N., Ross, T. L., Lewis, S., Olson, M., Henciak, S., Harris, R., et al. Comparison of an automated plate assessment system (APAS independence) and artifi- cial intelligence (AI) to manual plate reading of methi- cillin-resistant and methicillin-susceptible Staphylo- coccus aureus CHROMagar surveillance cultures. J. Clin. Microbiol 2021; 59:e0097121. doi: 10.1128/ JCM.00971-21 18. Pascucci M, Royer G, Adamek J, y col. AI-based mobi- le application to fight antibiotic resistance. Nat Com- mun 2021;12:1173 https://doi.org/10.1038/s41467- 021-21187-3 19. Human Microbiome Project Consortium. The inte- grative Human Microbiome Project dynamic analysis of microbiome-host omics profile during periods of human health and diseases. Cell Host Microbe 2014, 16:276-89. 20. MacIntyre CR, Lim S, Quigley A. Preventing the next pandemic; use of artificial intelligence for epidemic monitoring and alerts. Cell Reports Med 2022, 3, 100867, Dec 20. 21. Rolland C, Lazarus C, Giese C, Monate B, Travert AS, Salomon J. Early detection of public health emer- gencies of international concern through Undiag- nosed disease reports in ProMED-Mail. Emerg In- fect Dis 2020, 26:336-339. https://doi.org/10.3201/ eid2602.191043 22. Bhatia S. Lassmann B, Cohn E, Desai AN, Carrion M, Kraemer MUG, Herringer ;M, Brownstein J, Madoff L, Cori A, Nouvellet P. Using digital surveillance tools for near-time mapping of the risk of infectious disea- ses spread. NPJ Digit Med 2021, 4,73. https://doi. org/10.1038/s41746-021-00442-3 23. Brownstein JS, Freifeld CC, Reis BY, Mandl KD. Sur- IA en enfermedades infecciosas 87 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 veillance Sans Frontières: internet-based emerging infectious disease intelligence and the HealthMap project. PLoS Med 2008:5(7):e151. 24. Hii A, Chugtai AA, Housen T, Saketa S, Kunasekaran MP, Sulaiman F, Yanti NS, MacIntyre CR. Epidemic in- telligence needs stakeholders in the Asia-Pacific re- gion. Western Pac Surveill Response J 2018, 9:28-36. https://doi.org/10.5365/wpsar.2018.9.2.009. 25. Moa A, Muscatello D, Chughtai A, Chen X, MacIntyre CR. Flucast: a real-time tool to predict severity of an influenza season, JMIR Public Health Surveill 2019, 5, e11780. https://doi.org/10.2196/11780 26. Lee EWJ, Yee AZH. Toward data sense-making in di- gital health communication research: why theory ma- tters in the age of big data. Front Commun 2020, 5, doi.10.3389/fcomm.2020.00011. 27. Laventhal N, Basak R, Dell ML, et al. The ethics of creating a resource allocation and patient triage during the COVID-19 pandemic. Pediatrics 2020, 146(1):e20201243. doi:10.1542/peds.2020-1243. 28. Thompson RN. Epidemiological models are important tools for guiding COVID-19 interventions. BMC Med 2020, 18(1)152. doi:10.1186/s12916-020-01628-4 29. Brauner JM, Mindermann S, Sharma M, y col. Inferring the effectiveness of government interventions against COVID-19. Science 2021;371(6531):eabd9338. doi:10.1126/science.abd9338. 30. Chirino A, Wiemken T, Furmanek S, Mattingly W, Chandler T, Cabral G, Cavallazzi R, Carrico R, Ramirez J. High consistency between recommendations by a pulmonary specialist and ChatGPT for the mana- gement of a patient with non- resolving pneumonia. Norton Healthcare Medical Journal. Publicado online Mayo 17, 2023. doi:10.59541/001c.75456 31. Harrer S, Shah P, Anthony B y col. Artificial intelligence for clinical trial design. Trends Pharmacol Sci 2019, 40(8):577-91. doi:10.1016/j.tips 2019.05.005. 32. Jain K. Artificial intelligence applications in handling infectious diseases. Primary Health Care 2020, 10 (5):351-353. 33. Cruz, Y.J.; Rivas, M.; Quiza, R.; Villalonga, A.; Haber, R.E.; Beruvides, G. Ensemble of convolutional neural networks based on an evolutionary algorithm applied to an industrial welding process. Computers in Indus- try 2021, 133. doi:10.1016/j.compind.2021.103530. 34. Wang H, Jia S, Li Z, Duan D, Tao G y Zhao Z. A compre- hensive review of artificial intelligence in prevention and treatment of COVID-19 pandemic.Front Genet 2022; Vol 13: 845305 doi:103389/fgene.2022.845305 35. Chowdhury MEH, Rahman T, Khandakar A, Mazhar R, Kadir MA, Mahbub ZB y col. Can AI help in screening viral and COVID-19 pneumonia? IEEE 2020 132665- 132676 36. Rasheed J, Hameed AA, Djeddi C, Jamil A, Al-Turjman F. A machine-learning based framework for diagno- sis of COVID-19 from chest X-ray images.Interdiscip Sci Comput Life Sci 2021; 13, 103-117. doi:10.1007/ s12539-020-00403-6. 37. El Asnaoui K Chawki Y. Using X-ray images and deep learning for automated detection of coronavirus di- sease. J Biomol Struct Dyn 2021; 39, 3615-3526 doi:1 0.1080/07391102.2020.1767212 38. Liang W, Yao J, Chen A, Lv Q, Zanin M, Liu J y col. Early triage of critically ill COVID-19 patients using deep learning. Nat Commun 2020, 11,3543-3550, doi:10,1038/s 41467-020-17280-8 39. Chen X, Tang Y, Mo Y, Li S, Lin D, Yang Z y col. A diagnostic model for coronavirus disease 2019 (CO- VID-19) based on radiological semantic and clinical features: a multi-center study. Eur Radiol 2020, 30, 4893-4902, doi:10.1007/s00330-020-06829-2. 40. Brat GA, Weber GM, Gehlenborg N, Avillach P, Palmer NP, Chivato L y col. International electronic health record-derived COVId-19 clinical course profiles: the 4CE consortium. Npj Digit Med 2020, 3,109-118. doi:10.1038/s41746-020-00208-0 41. Razavian N, Major VJ, Sudarshan M, Burk-Rafel J, Stella P, Randhawa H, y col. A validated real-time pre- diction model for favorable outcomes in hospitalized COVID-19 patients. Npj Digit Med 2020, 3, 130-143, doi:10.1038/s41746-020-00343-x 42. Yadaw AS, Li YC, Bose S, Iyengar R, Bunyavanich S, Pandey G. Clinical features of COVID-19 mortality: development and validation of a clinical prediction model. The Lancet Digital Health 2020, 2, e516-e525. doi:10.1016/S2589-7500(20)30217-X 43. Ji D, Zhang D, Xu J, Chen Z, Zang T, Zhao P y col. Pre- diction for progression risk in patients with COVID-19 pneumonia: the CALL score. Clin Infect Dis 2020, 71, 1393-1399, doi:10.1093/cid/ciaa414 44. Das JK, Chakraborty S, Roy S. A scheme for infe- rring viral-host associations based on codon usage patterns identifies the most affected signaling pa- thways during COVID-19. J Biomed Inform 2021, 118, 103801-103814, doi:10.10(6).jbi.2021.103801 45. Yaar E, Cola KC, Yologlu S. Artificial intelligence-ba- sed prediction of Covid-19 severity on the results of protein profiling. Comput Methods Programs Biomed 2021, 202, 105996-106007, doi:10.1016/j. cmpb.2021.105996 IA en enfermedades infecciosas 88 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 46. Wang J. Fast identification of possible drug treat- ment of coronavirus disease-19 (COVID-19) through computational drug repurposing study. J Chem Inf Model 2020, 60, (6), 3277-3296. doi:10.1021/acs. jcim.0c00179 47. Ton AT, Gentile F, Hsing M, Ban F, Cherkasov A. Rapid identification of potential inhibitors of SARS-CoV-2 main protease by deep docking of 1.3 billion com- pounds. Mol Inform 2020, 39, e2000028. doi:10.1002/ minf.202000028. 48. Cavasotto CN, Di Filippo JI. In silico drug repurposing for COVID-19: targeting SARS-CoV-2 proteins throu- gh docking and consensus ranking. Mol Inform 2021 Jan;40(1):e2000115. doi: 10.1002/minf.202000115. Epub 2020 Aug 18. 49. Chen, B., Khodadoust, M. S., Olsson, N., Wagar, L. E., Fast, E., Liu, C. L., et al. Predicting HLA class II an- tigen presentation through integrated deep learning. Nat. Biotechnol 2019. 37,1332–1343. doi: 10.1038/ s41587-019-0280-2 50. Jurtz, V., Paul, S., Andreatta, M., Marcatili, P., Peters, B., and Nielsen, M. NetMHCpan-4.0: improved pep- tide–mhc class i interaction predictions integrating eluted ligand and peptide binding affinity data. J. Im- munol 2017; 199, 3360–3368. doi: 10.4049/jimmu- nol.1700893 51. Fast, E., and Chen, B. Potential T-cell and B-cell Epi- topes of 2019-nCoV. bioRxiv 2020 [Preprint]. doi: 10.1101/2020.02.19.955484 (texto sin revisión por pares) 52. Foppa LM, Kermack WO, McKendrick AG. “WO Ker- mack and AG McKendrick: A Seminal contribution to the mathematical theory of epidemics’’ en “A Historical introduction to mathematical modeling of infectious diseases’’ 2017, Editor IN Foppa, Cam- bridge, Massachusetts, US Academic Press, 59-87, doi:10.1016/b978-0-12-802260-3-00004-3. 53. Rahimi I, Chen F, Gandhi AH. A review on COVID-19 forecasting models. Neural computing and appli- cations. Neural Comput Applic 2021, doi:10.1007/ s00521-020-05626-8. 54. Ivorra B, Fernández MR, Vela-Pérez M Ramos AM. Ma- thematical modeling of the spread of the Coronavirus diseases 2019 (COVID-19). Taking into account the undetected infections. The case of China. Commun. Nonlinear Sci Numer Simulation 2020, 88, 105303- 105355. doi:10.1016/j.cnsns.2020.105303 55. de Oliveira IS, Gruetzmacher SB, Teixeira JP. COVID-19 time series prediction. Proced Comput Sci 2021, 181, 973-980. doi:10.1016/j.procs.2021.01.254 56. Leslie L, Yeager MB. Balancing health privacy, health information exchange and re-search in the context of COVID-19 pandemic. J Am Med Inform Assoc 2020, 27, 963-966. doi:10.1093/jamia/ocaa039 57. Arun Kumar KE, Kalaga DV, Sai Kumar CM, Chilkoor G, Kawaji M, Brenza ™. Forecasting the dynamics of cumulative COVID-19 cases (confirmed, recovered and deaths) for top-16 countries using statistical machine learning models: auto-regressive integrated moving average (ARIMA) and seasonal auto-regres- sive integrated moving average (SARIMA). Appl Soft Comput 2021, 103, 107161-107187. doi:10.1016/j. asoc.2021.107161 58. Husnayain A, Fuad A, Su EC-Y. Applications of google search trends for risk communication in infectious disease management: a case study of COVID-19 out- break in Taiwan. Int J Infect Dis. 2020;95:221-223. 59. Alimadadi A, Aryal S, Manandhar I, Munroe PB, Joe B, Cheng X. Artificial Intelligence and Machine Learning to Fight COVID-19. Physiol Genomics. 2020;52:200- 202. 60. McCall B. COVID-19 and artificial intelligence: protec- ting health-care workers and curbing the spread. Lan- cet Digit Health. 2020;2:e166-e167. 61. Wosik J, Fudim M, Cameron B, Gellad ZF, Cho A, Phin- ney D, y col. Telehealth transformation: COVID and the rise of virtual care. J Am Med Inform Assoc 2020, 27, 957-962. doi:10.1093/jamia/ocaa067 62. Rao SR, Vázquez JA. Identification of COVID-19 can be quicker through artificial intelligence. Framework using a mobile phone-based survey when cities and towns are under quarantine. Infect Control Hosp Epi- demiol 2020, 41, 826-830. doi:10.1017/ice.2020.61 63. Tucker A. Rapid implementation of a COVID-19 remote patient monitoring program. J Am Med Inform Assoc 2020, 27, 1326-1330. doi:10.1093/jamia/ocaa097. 64. Arshadi AK, Webb J, Salem M, Cruz E, Calad-Thomp- son S, Ghadirian N, Collins J, Díez-Cecilia E, Kelly B, Goodarzi H, Shiun Yuan J. Artificial intelligence for COVID-19 drug discovery and vaccine development. Front Artif Intell 2020, 3, 020 https://doi.org/10.3389/ frai.2020.00065 65. Pizzo DT, Esteban S. IATos: study of an IA-powered pre-screening tool for COVID-19 from cough audio samples. https://arxiv.org/pdf/2104.13247.pdf (texto sin revisión por pares) 66. Stokes JM, Yang K, Swanson K, Jin W, Cubillos-Ruiz A, Donghia NM, MacNair CR, French S, Carfrae LA, Bloom-Ackermann Z, Tran VM, Chiappino-Pepe A, Ba- dran AH, Andrews IW, Chory EJ, Church GM, Brown IA en enfermedades infecciosas 89 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 ED, Jaakola TS, Barzilay R, Collins JJ. A deep learning approach to antibiotic discovery. Cell 2020, 180, 688- 702. doi:org/10.1016/j.cell.2020.01.021 67. Mayr A, Klambauer G, Unterthiner T, Steijaert M, Weg- ner J, Ceulemans H, Clevert DA, Hochreiter S. Lar- ge-scale comparison of machine learning methods for drug target prediction on ChEMBL. Chem Sci 2018, 9, 5441-5451 68. Wu Z, Ramsundar B, Feinberg EN, Gomes J, Genies- se C, Pappu AS, Leswing K, Pande V. MoleculeNet: a benchmark for molecular machine learning. Chem Sci 2017, 9, 513-530. 69. Yang K, Swanson K, Jin W, Coley C, Eiden P, Gao H, Guzmán-Pérez A, Hopper T, Kelley H, Mathea M, Pal- mer A, Settels V, Jaakkola T, Jensen K, Barzilay R. Analyzing learned molecular representations for pro- perty prediction. J Chem Inf Model 2019. 13:10.1021/ acs/jcim.9b00237. 70. Brown DG, May-Dracka TL, Gagnon MM, Tommasi R, trends and exceptions of physical properties on anti- bacterial activity from Gram-positive and Gram-nega- tive pathogens. J Med Chem 2014, 57, 10144-10161 71. De SK, Stebbins JL, Chen LH, Riel-Mehan M, Machleidt T, Dahl R, Yuan H, Emdadi A, Barile E, Chen V Murphy R, Pellecchia M. Design, synthesis and structure-ac- tivity relationship of substrate competitive, selective and in vivo active triazole and thiadiazole inhibitors of the c-Jun N-terminal kinase. J Med Chem 2009, 52, 1943-1952. 72. Jang S, Yu LR, Abdelmegeed MA, Gao Y, Banerjee A, Song BJ. Critical role of c-jun N-terminal protein kina- se in promoting mitochondrial dysfunction and acute liver injury. Redox Biol 2015, 6, 552-564. 73. Tommasi R, Brown DG, Walkup GK, Manchester JL, Miller AA, ESKAPEing the labyrinth of antibacterial discovery Mat Rev Drug Discov 2015, 14, 529-542. 74. Stokes JM, Brown ED. Chemical modulators of ribo- some biogenesis as biological probes. Nat Chem Biol 2015, 11, 924-032. 75. Haks MC, Bottazzi B, Cecchinato V, y col. Molecu- lar signatures of immunity and immunogenicity in infection and vaccination. Front Immunol 2017;8. doi:10.3389/fimmu.2017.01563 76. Lundegaard C, Lund O, Nielsen M. Prediction of epito- pes using neural network based methods. J Immunol Methods 2011;374(1-2):26-34. 77. Moxon R, Reche PA, Rappuoli R. Editorial: reverse vac- cinology. Front Immunol 2019; 10:1-2 78. Mak KK, Pichika MR. Artificial intelligence in drug de- velopment: present status and future prospects. Drug Discov Today 2019;24(3):773-780 79. Pappalardo F, Flower D, Russo G, y col. Computational modeling approaches to vaccinology. Pharmacol Res (internet) 2015;92:40-45. 80. Russo G, Reche P, Pennisi M, Pappalardo F. The com- bination of artificial intelligence and systems biology for intelligent vaccine design. Exp Opin Drug Discov 2020; doi:10.1080/17460441.2020.1791076 81. De Groot AS, Bosma A, Chinai N, y col. From genome to vaccine: in silico predictions, ex vivo verification. Vaccine 2001;19(3):4385-4395. 82. Christensen DM, Manley J, Resendez J. Medical al- gorithms are failing communities of color. Health Affairs blog. Sep 9, 2021. https://www.healthaffairs. org/do/10.1377/forefront.20210903.976632/ (Acce- so 5 Abr 2023) 83. Olsson, H., Kartasalo, K., Mulliqi, N. et al. Estima- ting diagnostic uncertainty in artificial intelligence assisted pathology using conformal prediction. Nat Commun 13, 7761 (2022). https://doi.org/10.1038/ s41467-022-34945-8 84. Embi PJ. Algorithmovigilance - Advancing methods to analyze and monitor artificial intelligence-driven heal- th care for effectiveness and equity. JAMA Network Open 2021; 4(4):e214622. doi:10.1001/jama network open.2021.4622 85. US Food and Drug Administration. Artificial intelli- gence and machine learning in software as a medi- cal device. https://www.fda.gov/medical-devices/ software-medical-device-samd/artificial-intelligen- ce-and-machine-learning-software-medical-device (Acceso 5 Abr 2023) 86. Beam AL, Drazen JM, Kohane IS, Leong T-Y. ManraiAK, Rubin EJ. Artificial intelligence in medicine. N Engl J Med 2023; 388(13):1220-21. 87. Dorr DA, Adams L, Embi P. Harnessing the promise of artificial intelligence responsibly. JAMA 2023; doi:10.1001/jama.2023.2771 88. Harari Y, Harris T, Razkin A. You can have the blue pill or the red pill, and we´re out of blue pills. New York Times, Guest Essay, Marzo 24, 2023. 89. Jiao Z, Ji H, Yan J, Qi X. Application of big data and ar- tificial intelligence in epidemic surveillance and con- tainment. Intelligent Med 2023 (3); 36-43. 90. Kuhn TS. The structure of scientific revolutions. Chi- cago. University of Chicago Press 1970. ISBN 0-226- 45803-2 91. Belloso WH. On innovation. Ther Innov Reg Science 2020,Feb 5. https://doi.org/10.1007/s43441-020- 00125-3 IA en enfermedades infecciosas 90 Actual. Sida Infectol., Agosto-Noviembre 2023; 31 (112): 77-90; https://doi.org/10.52226/revista.v31i112.209 Artificial intelligence in infectious diseases We are in the midst of a true technological revolution in healthcare. Processes based upon artificial intelligence and machine learning are progressively touching all disciplinary areas, and its implementation in the field of infectious diseases is astonishing, accelerated by the COVID-19 pandemic. Today we have tools that can not only assist or carry on decision-making processes based upon guidelines or algorithms, but also modify its performance from the previously completed tasks. From optimization of the identification of resistant pathogens, selection of candidates for participating in clinical trials, the search of new antimicrobial therapeutic agents, the development of new vaccines, the prediction of future epidemics and pandemics, the clinical follow up of patients suffering infectious diseases up to the resource allocation in the management of an outbreak, are all current activities that can apply artificial intelligence in order to improve their final outcomes. This development has an exponential possibility of application, and is undoubtedly one of the main determinants that will shape medical activity in the future. Notwithstanding the maturation of this technology that is required for its definitive insertion in day-to-day healthcare activities, should be accompanied by definition of reference parameters, validation systems and regulatory guidelines that do not exist yet or are still in its initial stages. Palabras clave: artificial intelligence, infetious diseases, machine learning, validation, regulatory system. Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
